meta 的大语言模型 llama 13b，现在用 2060 就能跑了~

羊驼家族的 alpaca 和 vicuna 也都能运行，显存最低只需要 6g，简直是低 vram 用户的福音有木有。

github 上的搭建教程火了之后，网友们纷纷跑来问苹果 m2 是不是也能跑。

这通操作的大致原理是利用最新版 cuda，可以将 transformer 中任意数量的层放在 gpu 上运行。

与此前 llama.cpp 项目完全运行在 cpu 相比，用 gpu 替代一半的 cpu 可以将效率提高将近 2 倍。

而如果纯用 gpu，这一数字将变成 6 倍。

网友实测的结果中，使用 cpu 每秒能跑 2.1 个 token，而用 gpu 能跑 3.2 个。

生成的内容上，开发者成功用它跑出了“尼采文学”。

如何操作

在开始搭建之前，我们需要先申请获得 llama 的访问权限。

此外还需要有一个 linux 环境。

准备工作完成之后，第一步是将 llama.cpp 克隆到本地。

如果没有安装 cuda，可以参考下面的步骤:

然后是建立 micromamba 环境，安装 python 和 pytorch 等工具。

接着需要在 micromamba 环境下安装一些包:

1exportmamba_root_prefix=2eval"$(micromambashellhook--shell=bash)"3micromambacreate-nmymamba4micromambaactivatemymamba5micromambainstall-cconda-forge-nmymambapytorchtransformerssentencepiece

然后运行 python 脚本以执行转换过程:

1pythonconvert.py~/ai/safe-llama-hf-v2\\/llama-13b/

之后将其量化为 4bit 模式。

1./quantize~/ai/safe-llama-hf-v2\\/llama-13b/ggml-model-f16.bin~/ai/safe-llama-hf-v2\\/llama-13b/ggml-model-13b-q4_0-2023_14_5.binq4_08

接着是新建一个 txt 文本文档，把提示词输入进去，然后就可以运行了。

1./main-ngl18-m~/ai/safe-llama-hf-v2\\/llama-13b/ggml-model-13b-q4_0-2023_14_5.bin-f文档名称txt-n2048q4_08

这步当中-ngl 后面的数字是可以修改的，它代表了转换层的数量。

当该值为 18 时，运行中消耗的 vram 为 5.5gb，根据显存的大小最高可以调至 40。

网友:amd 不配吗

这一教程出现之后，网友们的新玩具又增加了。

“苦 openai 久矣”的网友更是感觉仿佛找到了光。

这位网友就表示自己太期待在自己的设备上运行 llm 了，宁愿花 5 千美元购置设备也不想给 openai 交一分钱。

但 amd 用户可能就不那么兴奋了，甚至透露出了嫉妒之情。

这套方法要用到 cuda，所以 amd 是不配了吗？

那么，你期待用自己的设备跑大语言模型吗？

参考链接: